MODEL REGRESI LOGISTIK BINOMIAL

Widodo

Program Studi Agribisnis Universitas Muhammadiyah Yogyakarta

widodo@[Link]

Pengertian
Model regresi logistik binomial adalah model regresi yang dirancang secara khusus untuk
menangani analisis regresi dengan variabel dependen yang berskala dikotomi. Skala dikotomi yang
dimaksud di sini adalah skala data nominal atau ordinal yang hanya mempunyai dua kategori,
misalnya Ya dan Tidak, Baik dan Buruk, Suka dan Tidak Suka. Model regresi logistik binomial
memungkinkan estimasi persamaan regresi, yang dapat menjaga agar hasil prediksi variabel
dependennya tetap berada di rentang nilai antara 0 hingga 1.

Tidak seperti pada OLS, pada model regresi logistik binomial ini tidak dibutuhkan syarat bahwa
varians eror terdistribusi normal. Asumsi model regresi logistik binomial antara lain:
1. Regresi logistik tidak membutuhkan hubungan linier antara variabel independen dengan
variabel dependen.
2. Variabel independen tidak memerlukan asumsi multivariate normality.
3. Asumsi homokedastisitas tidak diperlukan
4. Variabel bebas tidak perlu diubah ke dalam bentuk metrik (interval atau skala ratio).
5. Variabel dependen harus bersifat dikotomi (2 kategori, misal: tinggi dan rendah atau baik dan
buruk)
6. Kategori dalam variabel dependen harus terpisah satu sama lain atau bersifat eksklusif
7. Variabel independen tidak harus memiliki keragaman yang sama antar kelompok variabel
8. Sampel yang diperlukan dalam jumlah relatif besar, minimum dibutuhkan hingga 50 sampel
data untuk sebuah variabel prediktor (independen).
9. Dapat menyeleksi hubungan karena menggunakan pendekatan non linier log transformasi
untuk memprediksi odds ratio. Odd dalam regresi logistik sering dinyatakan sebagai
probabilitas.

Model

Secara praktis, model estimasi logit diformulasikan sebagai persamaan:

 Li sering disebut sebagai index atau indeks model logistik, yang nilainya sama dengan

Nilai P merupakan probabilitas logistik yang didapat rumus sebagai berikut:

Li
e
P= Li
1+e

dimana e = 2,71828182845904 atau biasa dibulatkan menjadi 2,72

Nilai Odds Ratio

Dengan model persamaan di atas, tentunya akan sangat sulit untuk menginterprestasikan
koefisien regresinya. Oleh karena itu maka diperkenalkanlah istilah Odds Ratio atau yang biasa
disingkat Exp() atau OR. Exp() merupakan exponen dari koefisien regresi. Jadi misalkan nilai
koefisien regresi adalah sebesar 0,80, maka Exp() dapat diperkirakan sebagai berikut:

Exp(

Besarnya nilai Exp() dapat diartikan sebagai berikut:

Misalnya nilai Exp () pengaruh asal wisatawan terhadap terhadap keputusan membeli makanan khas
adalah sebesar 2,23, maka disimpulkan bahwa wisatawan luar daerah lebih berpeluang untuk
membeli makanan khas dibandingkan dengan wisatawan dalam daerah. Interprestasi ini diartikan
apabila pengkodean kategori pada tiap variabel sebagai berikut:

1. Variabel terikat bernilai 0 untuk tidak membeli, bernilai 1 untuk membeli.

2. Variabel bebas bernilai 0 untuk wisatawan dalam daerah, bernilai 1 untuk wisatawan dalam
daerah

Parameter pada Model Regresi Logistik Binomial

Parameter model estimasi logit harus diestimasi dengan metode maximum likelihood (ML).
Perbedaan lainnya yaitu pada regresi ini tidak ada nilai “R Square” untuk mengukur besarnya
pengaruh simultan beberapa variabel bebas terhadap variabel terikat. Dalam regresi logistik dikenal
istilah Pseudo R Square, yaitu nilai R Square Semu yang maksudnya sama atau identik dengan R
Square pada OLS.
Jika pada OLS menggunakan uji F Anova untuk mengukur tingkat signifikansi dan seberapa baik
model persamaan yang terbentuk, maka pada regresi ini menggunakan Nilai Chi-Square. Perhitungan
nilai Chi-Square ini berdasarkan perhitungan Maximum Likelihood. Uji keberartian koefisien regresi
logistik binomial digunakan uji-Wald. Uji-Wald ini mempunyai sebaran sebagaimana distribusi
normal baku, sehingga mirip dengan Uji-Z pada OLS.

Penerapan Regresi Logistik Binomial

Model Regresi Logistik Binomial dapat diterapkan pada dua jenis data, yaitu data yang
dikelompokkan (grouped data) dan data yang tidak dikelompokkan (ungrouped data). Pada data
yang dikelompokkan, pengamatan dilakukan secara per kelompok yang didasarkan pada kesamaan
karakteristik dari variabel independennya. Bila pada kelompok pendapatan Rp2 juta/bulan, dari 12
responden yang diamati, ternyata 4 responden memiliki rumah sendiri, maka diperoleh satu
pengamatan dengan nilai variabel dependen 4/12 dan nilai variabel independen Rp2 juta/bulan. Bila
pada kelompok pendapatan lain, yakni Rp3 juta/bulan, dari 8 responden yang diamati, ternyata 6
responden memiliki rumah sendiri, maka diperoleh satu lagi pengamatan dengan nilai variabel
dependen 6/8 dan nilai variabel independen Rp3 juta/bulan.
Pada data yang tidak dikelompokkan, pengamatan dilakukan pada level individu (bukan
kelompok). Bila seorang responden memiliki rumah dan pendapatannya Rp2,5 juta/bulan, maka telah
diperoleh satu pengamatan dengan nilai variabel dependen 1 dan nilai variabel independen Rp.2,5
juta/bulan. Bila seorang responden lain tidak memiliki rumah dan pendapatannya Rp1,5 juta/bulan,
maka telah diperoleh lagi satu pengamatan dengan nilai variabel dependen 0 dan nilai variabel
independen Rp.1,5 juta/bulan.
Uraian ini, akan membahas implementasi model Regresi Logistik Binomial pada data yang
tidak dikelompokkan. Untuk keperluan pembahasan digunakan data sbb:

obs GPA TUCE PSI GRADE obs GPA TUCE PSI GRADE
1 2.66 20 0 0 17 2.75 25 0 0
2 2.89 22 0 0 18 2.83 19 0 0
3 3.28 24 0 0 19 3.12 23 1 0
4 2.92 12 0 0 20 3.16 25 1 1
5 4.00 21 0 1 21 2.06 22 1 0
6 2.86 17 0 0 22 3.62 28 1 1
7 2.76 17 0 0 23 2.89 14 1 0
8 2.87 21 0 0 24 3.51 26 1 0
9 3.03 25 0 0 25 3.54 24 1 1
10 3.92 29 0 1 26 2.83 27 1 1
11 2.63 20 0 0 27 3.39 17 1 1
12 3.32 23 0 0 28 2.67 24 1 0
13 3.57 23 0 0 29 3.65 21 1 1
14 3.26 25 0 1 30 4.00 23 1 1
15 3.53 26 0 0 31 3.10 21 1 0
16 2.74 19 0 0 32 2.39 19 1 1
Sumber: Gujarati (2003:604)
 Grade adalah nilai final matakuliah Ekonomi Makro, 1 = A, 0 = B atau C; TUCE nilai tes pada
yang dilakukan pada awal kuliah untuk menjajagi pengetahuan Ekonomi Makro peserta kuliah; PSI
metode mengajar, 1 = metode baru, 0 = metode lama; GPA IP Kumulatif peserta kuliah.

Estimasi Regresi Logistik Binomial

Ingin diteliti apakah GPA, TUCE dan PSI berpengaruh terhadap Grade (nilai Final Matakuliah
Ekonomi Makro). Formulasi model logit-nya adalah sbb:

Hasil Estimasi

Hasil analisa dengan menggunakan SPSS diperoleh hasil sebagai berikut:

Block 1: Method = Enter
Omnibus Tests of Model Coefficients

Chi-square Df Sig.
Step 1 Step 15.404 3 .002
Block 15.404 3 .002
Model 15.404 3 .002

Model Summary

-2 Log Cox & Snell Nagelkerke R

Step likelihood R Square Square
1 25.779 .382 .528

Classification Table(a)

Observed Predicted
Kelompok
Percentage
.00 1.00 Correct
Step 1 Kelompok .00 18 3 85.7
1.00 3 8 72.7
Overall Percentage 81.3
a The cut value is .500

Variables in the Equation

B S.E. Wald Df Sig. Exp(B)

Step GPA 2.826 1.263 5.007 1 .025 16.880
1(a) TUCE .095 .142 .452 1 .501 1.100
PSI 2.379 1.065 4.993 1 .025 10.791
Constan
-13.021 4.931 6.972 1 .008 .000
t
a Variable(s) entered on step 1: GPA, TUCE, PSI.
Uji LR sama dengan uji F (uji eksistensi model) pada model regresi linier biasa. Statistik LR
memiliki distribusi mendekati distribusi , sehingga uji yang dipakai adalah uji . Hasil analisis

(Omnibus Tests of Model Coefficients) menunjukkan nilai LR sebesar 15,40 yang lebih besar dari nilai
dengan df 3, sehingga model yang digunakan cukup baik. Cara ringkas menginterpretasikan uji LR
dapat dilakukan dengan melihat signifikansi statistik LR, dan membandingkannya dengan nilai α.
Bila nilai signifikansi LR ≤ α maka H0 ditolak, bila > α maka H0 diterima.
Pada model regresi biasa, koefisien korelasi dikenal sebagai R2 atau R square, untuk model
logit dipakai Cox & Snell R Square atau Nagelkerke R Square. Hasil analisis (Model Summary)

menunjukkan nilai Cox & Snell R Square 0.382 dan Nagelkerke R Square 0,528.

Uji validitas pengaruh masing-masing variabel bebas pada model Regresi Logistik Binomial
digunakan uji Z atau uji Wald. Hasil analisis menunjukkan variabel GPA dan PSI berpengaruh nyata
pada tingkat kesalahan 5%, sedangkan variabel TUCE tidak berpengaruh nyata. Cara ringkas uji Z
dapat dilakukan dengan melihat signifikansi statistik Wald, dan membandingkannya dengan nilai α.
Bila signifikansi ≤ α maka H0 ditolak, bila > α maka H0 diterima.
Interpretasi koefisien regresi model Regresi Logistik Binomial lebih rumit dibandingkan
dengan model biasa, sebab dependen variabel model logit adalah logaritma natural dari odd – Li =
ln(Pi/1 – Pi). Koefisien regresi model Regresi Logistik Binomial dengan demikian menunjukkan
besarnya pengaruh suatu variabel independen terhadap ln odd. Untuk melihat pengaruhnya terhadap
odd, maka koefisien regresi harus di-antiln-kan – misalnya Exp(b). Nilai Exp(b) dibaca bila suatu
variabel independen naik/turun satu unit maka perbandingan peluang terjadinya peristiwa yang
diharapkan pada variabel dependen dengan tidak terjadinya peristiwa yang diharapkan akan
naik/turun (tergantung tandanya) sebesar Exp(B) kali. Hasil analisa menunjukkan jika GPA naik 1
unit, maka perbandingan peluang mahasiswa memperoleh nilai A dengan bukan meningkat 16,88 kali
variabel lain ceteris paribus.

Untuk menghitung probabilitas, pertama kali harus dihitung indeks model –

dengan cara memasukkan nilai variabel-variabel independen ke dalam persamaan regresi. Hasilnya
adalah sbb:
obs Indeks obs Indeks obs Indeks obs Indeks
1 -3.600734 9 -2.079284 17 -2.870596 25 1.645563
2 -2.760413 10 0.816587 18 -3.215453 26 -0.075504
3 -1.467914 11 -3.685518 19 0.363438 27 0.555543
4 -3.627206 12 -1.450027 20 0.666798 28 -0.813155
5 0.281414 13 -0.743499 21 -2.727399 29 1.670963
6 -3.320985 14 -1.429278 22 2.252283 30 2.850417
7 -3.603596 15 -0.571070 23 -1.142987 31 0.116601
8 -2.912093 16 -3.469803 24 1.751095 32 -2.080255
Selanjutnya, probabilitas bisa dihitung dengan rumus

Hasilnya adalah probabiltas untuk observasi 1 sebesar 0.026578, observasi 2 sebesar 0.059501,
observasi 3 sebesar 0.187260, observasi 5 sebesar 0.569893 dsb. Bila nilai probabilitas > 0,5 maka
nilainya dianggap sebagai 1 (peristiwa yang diharapkan untuk variabel dependen terjadi), bila ≤ 0,5 maka
nilainya dianggap 0 (peristiwa yang diharapkan untuk variabel dependen tidak terjadi).

Pada model Regresi Logistik Binomial besarnya perubahan marginal juga bisa dicari, hanya
saja nilainya akan berubah-ubah untuk setiap observasi (nilai probabilitas). Perubahan probabilitas
marginal bisa dihitung dengan rumus:

PPMi dibaca: pada probabilitas sebesar Pi, bila suatu variabel independen ke i naik/turun sebesar
satu unit maka probabilitas peristiwa yang diharapkan untuk variabel dependen akan naik/turun
(sesuai tanda koefisien variabel independen bersangkutan) sebesar PPMi